给 Agent 选 benchmark 时，我经常要在论文、仓库和数据集页面之间来回切换：它测的是什么能力？任务怎么来的？ Agent 能看到哪些信息、调用什么工具？最后到底按什么判成功？ 我做了一个 LLM Benchmark Costco ，目前整理了 610 个 LLM / Agent 评测基准 ，希望让这一步更方便： 按能力类别、年份、开放程度等条件筛选候选。 查看中英介绍、论文与官方项目入口。 用流程图分别看数据构建和运行评测，并展开分支、循环和阶段说明。 可以先从 AutomationBench 这个例子 试试，打开“构建流程 / Build Process”，看看跨应用任务、工具调用和终态评分是怎样连起来的。整理后的说明也区分了公开任务、本地成绩和官方私有榜单的范围。 直接使用 · GitHub 代码与反馈 网页无需注册。它用于检索基准和理解协议；真正复现时，仍应回到对应版本的原论文、数据和官方实现。内容会有遗漏或理解偏差，欢迎指出具体条目和来源位置。 想邀请正在做 LLM / Agent 评测的同学，拿一个手头的真实...